Google et DeepMind : l'actualité de l'IA — suivi continu de la série Gemini, du modèle vidéo Veo, des résultats de recherche et de l'écosystème produit.
234 sélections30 derniers jours 68 entréesTotal : 565 entrées
mise à jour
Archives de la sélection · page 12
12 novembremer.221–234 entrées · Au total 234 entrées
Motif de la recommandation :JAX-Privacy 1.0 expose les briques DP, la scalabilité et des exemples de fine-tuning Gemma, ce qui permet de juger de son intégration dans les pipelines existants.
Google DeepMind publie dans Nature un article montrant que réorganiser les représentations visuelles d'un modèle selon les hiérarchies conceptuelles humaines améliore sa robustesse et sa généralisation. L'équipe part d'un modèle pré-entraîné SigLIP-SO400M, entraîne un petit adaptateur sur le jeu de données THINGS, puis génère un nouveau jeu de données AligNet de plusieurs millions de jugements de type odd-one-out sur un million d'images pour affiner d'autres modèles. Les modèles alignés obtiennent de meilleurs résultats sur des tâches de sciences cognitives et sur des tâches d'apprentissage few-shot et de distribution shift.
Motif de la recommandation :L'article détaille une méthode en trois étapes pour aligner les représentations visuelles des modèles sur les hiérarchies conceptuelles humaines, avec des gains mesurés sur la robustesse et la généralisation.
Google Research présente Nested Learning, un paradigme publié à NeurIPS 2025 qui traite un modèle ML comme un système de problèmes d'optimisation imbriqués.
Motif de la recommandation :L'article présente un paradigme qui unifie architecture et optimisation et détaille l'architecture Hope, offrant un cadre pour aborder l'oubli catastrophique.
Motif de la recommandation :L'article expose le design système, les quatre défis techniques et les données de test des TPU, permettant de comprendre les contraintes réelles du calcul IA dans l'espace.
Motif de la recommandation :Présente un système combinant LLM, confidentialité différentielle et TEE pour analyser l'usage des outils GenAI sans exposer les données individuelles, avec code open source.
Google Research annonce le déploiement d'un aperçu public optionnel du coach santé personnel pour les utilisateurs Fitbit Premium Android aux États-Unis.
Motif de la recommandation :L'article détaille l'architecture multi-agents et le cadre d'évaluation SHARP derrière le coach santé Gemini, utile pour comprendre comment un assistant grand public est construit et validé.
Google publie PaliGemma 2, une nouvelle série de modèles de vision-langage, annoncée sur le blog de Hugging Face. Le contenu disponible ne fournit pas d'autres détails sur les capacités.
Google élargit la famille Gemma avec trois ajouts : Gemma 2 2B, la version 2,6 milliards de paramètres de Gemma 2 adaptée à une exécution sur appareil.
Motif de la recommandation :L'article détaille les trois ajouts de Google à la famille Gemma et fournit des exemples de code pour l'inférence locale et la génération assistée.
Motif de la recommandation :L'article détaille les choix techniques de Gemma 2 et son intégration dans l'écosystème Hugging Face, utile pour évaluer les compromis de déploiement.
Google publie PaliGemma, une famille de modèles vision-langage open source composée d'un encodeur d'images SigLIP-So400m et d'un décodeur de texte Gemma-2B. Trois types de checkpoints sont disponibles (pré-entraînés, mix et fine-tunés), en résolutions 224x224, 448x448 et 896x896 et en précisions bfloat16, float16 et float32, avec intégration à transformers et à l'implémentation JAX d'origine. Les modèles mix atteignent 46,00 de précision MMVP et 88,00 de précision POPE en 224, tandis que les modèles fine-tunés couvrent des tâches comme VQAv2, COCO Captions, ScienceQA et refcoco.
Motif de la recommandation :Présentation des trois variantes de PaliGemma, de leur architecture SigLIP+Gemma et des scores de benchmarks transférés, utile pour évaluer les modèles vision-langage open source.
Motif de la recommandation :L'article détaille les trois variantes de CodeGemma, leurs formats de prompt et les résultats sur HumanEval, ce qui aide à évaluer l'usage en complétion de code.
Motif de la recommandation :L'article détaille l'intégration complète de Gemma dans l'écosystème Hugging Face, du déploiement à l'affinage, avec des exemples de code exécutables.